resume-screening

name	resume-screening
description	完整招聘解决方案 - 简历筛选→面试设计→评估→推荐。整合Topgrading+绩效预测+ATS优化+深度追问。当用户说"筛选简历"、"帮我筛简历"、"帮我招人"、"招聘"、"设计面试题"、"评估候选人"、"resume screening"、"hiring"、"candidate evaluation"，或提到简历、JD、候选人、面试相关话题时触发。即使只提到部分流程（如只要筛选或只要面试题），也应触发此skill。

简历筛选助手Pro V4.0

完整招聘流程：筛选→面试设计→评估→推荐 自动化脚本 + 并行分析 + 结构化输出

整体流程

阶段0 需求确认 → 阶段1 简历筛选(批量) → 阶段2 面试设计 → 阶段3 面试评估 → 阶段4 最终推荐

用户可以只使用其中一个阶段，也可以走完整流程。先问清楚需求再执行。

---

阶段0：迭代式需求确认

不要一上来就给答案。先理解需求，再设计方案。

必问信息（通过 AskUserQuestion 一次性收集）：

1. 筛选范围 — 全部/部分文件夹/指定文件
2. JD来源 — 有JD文件路径、稍后提供、还是按岗位名自行判断
3. 筛选重点 — 用户最看重什么（学历/经验/综合素质/特定技能等）
4. 输出格式 — Excel排名表 / 对话展示 / 两者都要

对话示例：

用户：帮我筛选简历
→ 先问岗位名称、JD、筛选重点、输出格式
→ 确认后："明白了，你需要一个[岗位]的简历筛选，重点看[能力1]、[能力2]，对吧？"

---

阶段一：简历筛选（批量自动化）

依赖安装

首次使用需安装：

pip install PyMuPDF openpyxl --break-system-packages

Step 1: 提取简历文本

使用 scripts/extract_resumes.py 批量提取PDF文本并去重：

python scripts/extract_resumes.py ./简历/0324简历筛选/ ./简历/324简历筛选2/ output.json

脚本功能：

• 递归扫描目录中所有PDF
• 提取全文文本（使用PyMuPDF）
• 按文件名中的姓名自动去重（保留文本更长的版本）
• 输出JSON数组（每条含 name, file, path, text）

Step 2: 并行分批分析

将提取结果分成每批15-16份，启动多个并行 Agent 同时分析。

分批脚本（内联执行）：

import json
batch_size = 16
with open("resumes_extracted.json") as f:
    resumes = json.load(f)
for i in range(0, len(resumes), batch_size):
    batch = resumes[i:i+batch_size]
    with open(f"resumes_batch_{i//batch_size}.json", 'w') as f:
        json.dump(batch, f, ensure_ascii=False, indent=2)

并行 Agent 评分（每个 Agent 处理一个 batch）：

评分维度和权重必须从JD和用户要求中动态生成，不要使用固定模板。步骤：

1. 解析JD — 从JD的岗位职责和任职要求中提取关键考察维度（如"项目管理能力"、"沟通协调"、"XX软件技能"等）
2. 结合用户筛选重点 — 将阶段0中用户明确看重的维度纳入评分体系
3. 设计评分表 — 为每个维度定义清晰的评分标准（1-10分），合理分配权重，确保权重之和为100%
4. 设定推荐阈值 — 根据评分体系设定推荐/谨慎推荐/不推荐的分数线

示例 prompt 结构（维度、权重、阈值仅为示范，实际必须替换）：

你是简历筛选专家。读取 resumes_batch_N.json，对照以下JD和评分标准进行评分。

【岗位JD】
{粘贴完整JD}

【评分维度】（根据JD动态生成，以下仅为示例结构）
1. 维度A名称 — 评分标准说明 ... 权重 X%
2. 维度B名称 — 评分标准说明 ... 权重 Y%
3. ...
（权重之和 = 100%）

【推荐标准】
- 推荐：综合分 >= X
- 谨慎推荐：X > 综合分 >= Y
- 不推荐：综合分 < Y

输出JSON数组保存到 scores_batch_N.json，每条记录含：
name, file, {各维度_score}, overall_score,
education(学历信息), major(专业), experience_years(工作年限),
key_experience(50字), strengths(30字), risks(30字), recommendation

简历文本可能有OCR识别错误，尽量理解语义。

Agent 数量 = batch数量，使用 run_in_background: true 全部并行启动。

Step 3: 合并评分

import json, glob
all_scores = []
for f in sorted(glob.glob("scores_batch_*.json")):
    with open(f) as fh:
        all_scores.extend(json.load(fh))
all_scores.sort(key=lambda x: x.get("overall_score", 0), reverse=True)
with open("all_scores_merged.json", 'w') as f:
    json.dump(all_scores, f, ensure_ascii=False, indent=2)

Step 4: 生成Excel

使用 scripts/generate_excel.py：

python scripts/generate_excel.py all_scores_merged.json 排名表.xlsx "科研助理"

Excel 包含两个 Sheet：

• 简历筛选排名表 — 全部候选人排名（颜色标注+筛选功能+冻结表头）
• 筛选统计 — 推荐分布 + 推荐候选人详情

输出汇总

完成后在对话中展示：

【简历筛选报告】
| 统计项 | 数据 |
| 投递总数 | X份（去重后Y位候选人）|
| 推荐 | X人（综合>=8.0）|
| 谨慎推荐 | X人（6.0-8.0）|
| 不推荐 | X人（<6.0）|

TOP 推荐候选人表格 + 文件路径

---

阶段二：面试题目设计

当用户说"设计面试题"或进入面试阶段时，读取 references/interview-methodology.md 获取完整方法论。

核心流程：

1. Scorecard定义 — 先不看简历，根据JD定义A级人才标准（Mission/Outcomes/Competencies）
2. 候选人画像 — 从简历提取关键成就、风险点、经验迁移点
3. 深度追问设计 — 6层追问 + PEARL框架 + 失败问题 + 模拟协作
4. 个性化问题 — 基于候选人简历中的关键声明定制追问链

评分输出格式见 references/interview-methodology.md

---

阶段三：面试评估

基于阶段二的面试问题对候选人面试表现进行评估。

评估维度（1-5分）： 岗位理解 / 问题解决 / 经验迁移 / 团队管理 / 文化匹配

信号判断：

• 绿灯：能6层深回答、PEARL清晰、有失败反思
• 红灯：只说漂亮话、回避失败、表面深入

详细输出格式见 references/interview-methodology.md

---

阶段四：最终推荐

综合阶段一的简历分 + 阶段三的面试分，给出最终推荐。

简历筛选分	面试评估	最终结论
8.0+	4.5/5+	强烈推荐
7.0+	4.0/5+	推荐
6.0+	3.5/5+	谨慎推荐
<6.0	<3.5/5	不推荐

---

使用场景速查

用户需求	执行阶段
"帮我筛选这批简历"	阶段0 → 阶段一
"设计这个岗位的面试题"	阶段二（需先读方法论参考）
"评估这个候选人的面试表现"	阶段三
"综合推荐最终人选"	阶段四
"帮我做完整的招聘流程"	全部阶段

---

文件结构

resume-screener-pro/
├── SKILL.md                          # 本文件（主入口）
├── scripts/
│   ├── extract_resumes.py            # PDF文本提取+去重
│   └── generate_excel.py             # 评分→Excel排名表
└── references/
    └── interview-methodology.md      # 面试方法论（阶段2-4详细内容）

---

配套Skills

• xlsx — 生成Excel文件时使用
• pdf — 单个PDF读取时使用（批量处理已内置PyMuPDF脚本）
• tailored-resume-generator — ATS优化简历定制